池化第36页

yolo-v2

对yolo-v1（定位性能，recall，小目标和密集目标差）的改进：Better：1.加入BN层2.高分辨率分类器，先在224*224上训练，再在448*448上（因为没了FC层，加上了全局池化层，所以没有了图像的尺寸的限制

é«·2023-01-02 13:27

重温Faster RCNN算法(2)--FPN

丶Shining·2023-01-02 08:01

x-vector

文章目录背景核心思路系统架构Time-delayNN（TDNN）统计池化层x-vector提取实现细节背景介绍x-vector的文章：[1]DeepNeuralNetworkEmbeddingsforText-IndependentSpeakerVerification

小羊小羊小羊羊羊·2023-01-02 08:58

CNN卷积神经网络

池化在每一次卷积的时候,神经层可能会无意地丢失一些信息.这时,池化(pooling)就可以很好地解决这一问题.而且池化是一个筛选过滤的过程,能将layer中有用的信息筛选出来,给下一个层分析手写数字的CNN

努力学习，努力爱你！·2023-01-02 08:57

Inception模块

Inception网络或Inception层的作用是代替人工来确定卷积层中的卷积核类型，或者是否需要创建卷积层和池化层，可以代替你来做决定，虽然网络架构比较复杂，但网络表现却非常好。

@会飞的毛毛虫·2023-01-02 07:46

x-vector：Deep Neural Network Embeddings for Text-Independent Speaker Verification

2017interspeech机构：TheJohnsHopkinsUniversity作者：DavidSnyderabstract 用dnn提取的embedding取代i-vector表示说话人特征，对输入的speech做时间池化

林林宋·2023-01-02 07:44

Pytorch入门之CNN和七大CNN网络

在全连接层的基础上，增加了卷积层和池化层。

Ton10·2023-01-02 07:03

深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构

概述TDNN（TimeDelayNeuralNetwork，时延神经网络）是用于处理序列数据的，比如：一段语音、一段文本将TDNN和统计池化（StatisticsPooling）结合起来，正如x-vector

DEDSEC_Roger·2023-01-02 07:56

pytorch应用（入门5）CNN卷积神经网络、提取层结构、提取参数

目录第一天第二章：简单的神经网络第三章：深度学习工作流程卷积模块介绍卷积池化层池化层书中的代码池化层相关资料提取（各）层（的）结构如何提取参数及自定义初始化LeNetAlexNetVGGNetCIFAR10VGGNetGoogLeNetInception

懒回顾，半缘君·2023-01-02 07:25

动手学计算机视觉---inception v4 源码分析

简单介绍其余文件的作用，介绍专栏接下来的内容1代码阅读网络结构ifinclude_top:#1x1x1536x=AveragePooling2D((8,8),padding='valid')(x)#使用均值池化操作

我爱花生米·2023-01-01 21:07

VGG网络与LeNet5网络的对比分析

下采样：LeNet中是2*2的均值池化，再乘以一个可学习的参数，VGG为2*2，步长为2。

算法与编程之美·2023-01-01 16:25

图像上采样--双线性插值

几乎都是采用内插值法，即在原有图像像素的基础上，在像素点值之间采用合适的插值算法插入新的元素；（2）反卷积方法（Deconvolution），又称转置卷积法(TransposedConvolution)；（3）反池化方法

在路上DI蜗牛·2023-01-01 15:36

机器学习新视角1 :机器学习算法基本步骤

机器学习算法基本步骤:1.读取数据训练数据,测试数据，测试标签(无监督时没有)2.找寻特征强化特征:卷积核,池化统计特征:频谱直方图3.拟合特征距离回归,逻辑回归(归一,激活),线性回归(一元,多元),

趣魂·2023-01-01 14:59

图像注意力机制

过程：对输入特征进行全局平均池化进行两个全连接，提取通道注意力，再用Sigmoid函数归一化到[0,1]，之间作为输入的权重进行相乘。

chairon·2023-01-01 14:51

【项目实战】高并发内存池

内存池的定义1.池化技术2.内存池3.内存池主要解决的问题4.malloc定长内存池什么是定长内存池？

DingZlu666·2023-01-01 12:39

高并发内存池项目（C++实战项目）

文章目录项目介绍◎项目来源▶项目源码◎内存池相关知识1、池化技术2、内存池3、内存池主要解决的问题4、malloc设计思路◎第一阶段–设计一个定长的内存池适应平台的指针方案◎第二阶段–高并发内存池整体框架设计

林慢慢脑瓜子嗡嗡的·2023-01-01 12:37

SPPNet详解（白话讲解——附图文）

CNN是可以适应不同尺寸的输入图片，说明在CNN后面加入某种机制就可以让FC层也适应不同尺寸的输入图片，某种机制就是何凯明大神提出的空间金字塔池化（SPP）。在最后的卷积层和全连接层之间加入SPP层。

liiiiiiiiiiiiike·2023-01-01 12:59

SPPNet

文章目录论文信息论文标题：论文作者：收录期刊/会议及年份：论文学习论文阅读问题/背景：主要贡献：摘要：介绍：具有空间金字塔池化的深度网络：论文信息论文标题：SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition

写进メ诗的结尾。·2023-01-01 12:59

目标检测算法(2)SPP-net

本文是使用深度学习进行目标检测系列的第二篇，主要介绍SPP-net:SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition，即空间金字塔池化网络

weixin_33801856·2023-01-01 12:29

建立CNN模型1

3.2池化层在每一次卷积时，网络可能无意丢失一些信息，这时pooling可以解决。Conv

飞龙在天max·2023-01-01 12:28

目标检测之SPP(Spatial Pyramid Pooling）论文学习

0.摘要作者：何凯明ILSVRC2014比赛上物体检测上排名第2，在物体分类上排名第3，是一篇十分很好的论文，体现了何凯明深厚的数学功底，有一些启发：比如多尺度池化是否可以加入注意力机制，多尺度的思想是否可以应用到特征提取阶段

Diros1g·2023-01-01 12:27

基于TensorFlow的CNN模型——猫狗分类识别器（四）之创建CNN模型

目录三、创建CNN模型1、构建权重和偏置2、构建卷积层3、构建池化层4、构建扁平层5、构建全连接层6、构建CNN模型三、创建CNN模型1、构建权重和偏置在搭建神经网络层前，我们先来看下如何初始化神经网络层的权重和偏置参数

魔法攻城狮MRL·2023-01-01 12:27

ConvNeXt++项目——CV笔记（持续更新）

卷积层和池化层都可以扩大感受野：VGG亮点：堆叠多个小卷积核可以代替一个大卷积核，并且参数数量更少。

张北海。·2023-01-01 12:56

【目标检测】3、SPPNet

SPPNetSpatialPyramidPooling（空间金字塔池化）一般的CNN结构中，对输入大小要求固定，但在现实中通常会使用crop和warp来将大小统一，这样做会破坏图像的纵横比，何凯明提出了

呆呆的猫·2023-01-01 12:56

SPPnet

空间金字塔层池化网络（Spatialpyramidpoolingnetworks,SSPnets）可以通过计算共享来加速R-CNN，SSPnet是先对整张图片做卷积，由于卷积池化之后得到的特征图与原图片的特征位置是相对应的

Cairo Dai·2023-01-01 12:55

AlexNet 论文翻译——中英文对照

非线性3.2TrainingonMultipleGPUs3.2多GPU训练3.3LocalResponseNormalization3.3局部响应归一化3.4OverlappingPooling3.4重叠池化

胥洪利·2023-01-01 09:04

【论文阅读】AlexNet——ImageNet Classification with Deep Convolutional Neural Networks

大家相互学习交流论文阅读ImageNetClassificationwithDeepConvolutionalNeuralNetworks该论文在2012年发布，主要新点有：使用深度CNN、LRN(虽然后来被证无用)、重叠池化

每个人都是孙笑川·2023-01-01 09:30

AlexNet论文解读——ImageNet Classification with Deep Convolutional

目录摘要1.介绍2.数据集3.模型架构3.1AlexNet架构图3.2激活函数Relu3.3多GPU训练问题3.4LRN层3.5重叠池化4.减少过拟合4.1数据增强4.2Dropout层5.训练的细节6

要什么自行车儿·2023-01-01 09:58

实用，小物体检测的有监督特征级超分辨方法 | ICCV 2019

论文提出新的特征级超分辨方法用于提升检测网络的小物体检测性能，该方法适用于带ROI池化的目标检测算法。

晓飞的算法工程笔记·2023-01-01 09:28

AlexNet——深度学习框架（一）

该神经网络有6000万个参数和65万个神经元，由5个卷积层组成，其中一些随后是最大池化层，以及3个全连接层，最后是

cztAI·2023-01-01 09:27

第一篇 AlexNet——论文翻译

文章目录摘要1简介2数据集3架构3.1ReLU非线性3.2多GPU训练3.3局部响应归一化3.4重叠池化3.5整体架构4减少过拟合</

AI浩·2023-01-01 09:52

nlp深度学习基础-CNN、GNN、RNN

文章目录卷积神经网络CNN卷积层池化层全连接层CNN网络结构结构特性参数学习CNN在NLP上的应用图卷积神经网络GNN结构参数维度卷积步骤循环神经网络RNN单元结构网络结构输入输出结构参数学习算法长短时记忆神经网络

◝(⑅•ᴗ•⑅)◜..°♡·2023-01-01 08:20

详解多视角3D检测模型 BEVDepth: Acquisition of Reliable Depth for Multi-view 3D Object Detection

此外借助定制的高效体素池化和多帧机制，BEVDept

自动驾驶小学生·2023-01-01 07:17

深度学习：05 卷积神经网络介绍（CNN）

目录卷积神经网络简介为什么要用卷积神经网络网络结构组成卷积层卷积计算卷积核大小f边界填充(p)adding步长(s)tride计算公式卷积层激活函数池化层（pooling）dropout层全连接层卷积神经网络简介卷积神经网络由一个或多个卷积层和顶端的全连通层

夏天是冰红茶·2023-01-01 07:01

VGG 中草药识别

VGG中药草识别一些基础关于VGG参考链接模型优化：paddle.nn.Dropout数据准备引入包解压数据集生成数据列表定义数据读取器数据加载模型搭建定义卷积池化网络VGG网络参数配置模型训练评估与预测评估模型推理一些基础关于

论搬砖的艺术·2023-01-01 07:58

神经网络与深度学习---train_loss和val_loss(test_lost)分析

不断下降，val_loss(test_lost)不断下降说明网络训练正常，最好情况2.train_loss不断下降，val_loss(test_lost)趋于不变说明网络过拟合，可以添加dropout和最大池化

小天才才·2023-01-01 01:59

CNN缓解过拟合的方法（tensorflow 2.x版）

文章目录缓解过拟合的方法1、正则化2、动量3、学习率4、Dropout5、BatchNormalization6、池化缓解过拟合的方法1、正则化（1)L1正则化大概率会使很多参数变为零，因此该方法可通过稀疏参数

unique_Hang·2022-12-31 19:54

卷积对图像进行卷积操作卷积神经网络

目录卷积对图像进行卷积操作卷积神经网络卷积（Filtering）池化（下采样）（Pooling）修正线性单元（RectifiedLinearUnits）（ReLus激活函数）全连接层（每个神经元都和之前的神经元相联系

A_my_*·2022-12-31 16:31

Keras基本使用（二）

电影评论的二分类问题加载数据准备数据列表转换为张量构建网络模型编译进行验证绘制损失与精确度绘制训练集与验证集损失绘制训练精度与验证精度参数调试正则化调试改变激活函数使用三个隐藏层小结练习一：CNN应用于手写数字识别Convolution2D进行二维卷积操作，MaxPooling2D：二维的最大池化

Savannah913·2022-12-31 15:00

pytorch实战学习入门（理解篇）

自定义数据类第二节、tensorboard第三节、transform第四节、数据集的使用第五节、DataLoader第六节、网络:nn.module1、初步了解module2、torch.nn3、卷积层4、池化层

走夜路的猫·2022-12-31 15:24

CVPR2020 | Strip Pooling：语义分割新trick，条纹池化取代空间池化

全是干货论文链接：https://arxiv.org/abs/2003.13328v1代码链接：https://github.com/Andrew-Qibin/SPNet从之前语义分割的研究事实证明，空间池化可有效捕获用于场景分析等像素级预测任务的远程上下文信息

AI算法修炼营·2022-12-31 15:23

深度学习笔记 6 卷积神经网络

目录1.概念2.结构及每层详解3.CNN特征4.卷积神经网络的流程5.可变形卷积（DCN）6.一些小问题1.1x1卷积作用2.卷积层和池化层有什么区别?

李同学_道阻且行·2022-12-31 15:21

Fcanet: Frequency channelattention networks论文详解（结合代码）

1.简介通道注意力在计算机视觉领域取得了重大成功，许多工作都致力于设计更加高效的通道注意力模块，而忽略了一个问题，使用全局平均池化作为预处理。

Orange_sparkle·2022-12-31 15:17

【多尺度条形池化与通道注意力的图像语义分割】论文精讲

论文：论文链接出处：中国图象图形学报目录1.摘要2.网络结构2.1改进的条形池化技术2.2二阶通道注意力机制3.结果1.摘要目的针对自然场景下图像语义分割易受物体自身形状多样性、距离和光照等因素影响的问题

zy_destiny·2022-12-31 15:15

【深度学习基础】池化

深度学习基础-池化池化pool池化的方式：最大池化和平均池化池化的作用1、增大感受野所谓感受野，即一个像素对应回原图的区域大小，假如没有pooling，一个33，步长为1的卷积，那么输出的一个像素的感受野就是

夏日轻风有你·2022-12-31 11:51

计算机视觉与深度学习课程记录

线性分类器1.2损失函数1.3参数优化1.4数据集2.全连接神经网络2.1多层感知器2.2激活函数2.3损失函数2.4优化算法2.5训练过程3.卷积神经网络3.1卷积层3.2卷积步长3.3边界填充3.4池化

LYpokerface·2022-12-31 11:43

云安防产品架构及其在边缘计算领域的探索

安防系统发展的趋势云安防是基于物联网模式并且采用云存储技术来满足现代化安防的全"新"的云计算架构，这种架构解决了传统安防架构的兼容性能差、安全保障低、操作体验差、监控管理难等痛点，其主要特征为后端平台完全云化与池化

烟斗哥哥·2022-12-31 10:20

全局池化–Pytorch

全局平均池化卷积神经网络可以解决回归跟分类问题，但是常见的卷积神经网络到最后都要通过全连接层实现分类，这个其实会导致很多时候神经元数目跟计算量在全连接层暴增，特别对一些回归要求比较高的网络往往会带来一些后遗症

liiiiiiiiiiiiike·2022-12-31 09:52

pytorch softmax_轻松学Pytorch 全局池化层详解

点击上方蓝字关注我们微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识大家好，这是轻松学Pytorch系列的第九篇分享，本篇你将学会什么是全局池化，全局池化的几种典型方式与pytorch相关函数调用

weixin_40005330·2022-12-31 09:21

学习笔记32-pytorch代码实现全局协方差池化GCP

全局协方差池化的做法，就是通过计算特征图的协方差矩阵(二阶信息)来选出这个能代表特征图数据分布情况的值。torch.cov()函数可以自行实现协方差矩阵的计算，具体计算过程由下图官方解释。

李卓璐·2022-12-31 09:45

推荐频道

池化